CN108266178A - 一种基于富信息示功图和dbn的有杆泵工况监测方法 - Google Patents
一种基于富信息示功图和dbn的有杆泵工况监测方法 Download PDFInfo
- Publication number
- CN108266178A CN108266178A CN201810032987.3A CN201810032987A CN108266178A CN 108266178 A CN108266178 A CN 108266178A CN 201810032987 A CN201810032987 A CN 201810032987A CN 108266178 A CN108266178 A CN 108266178A
- Authority
- CN
- China
- Prior art keywords
- indicator card
- dbn
- information
- sucker rod
- working condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims description 40
- 230000001360 synchronised effect Effects 0.000 claims description 22
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 239000003129 oil well Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000005086 pumping Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/002—Survey of boreholes or wells by visual inspection
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本发明涉及一种基于富信息示功图和DBN的有杆泵工况监测方法，所述的监测方法由以下四部分构成：有杆泵工况富信息示功图样本集合的构建；有杆泵工况监测DBN的构建；有杆泵工况监测DBN的实际应用；有杆泵工况监测DBN的强化学习与更新。本发明解决了对抽油井进行综合诊断时，需要分别对传统示功图和辅助参数处理分析，工作量大，耗费时间的问题，减少了不同数据之间的相互补充可能会存在一些误差，能完全反映图像的本质，提高了图像提升空间的正确率。
Description
技术领域
本发明涉及油田生产活动数据处理和故障诊断技术领域，尤其是一种基于富信息示功图和深度置信网络强化学习(DBN)的有杆泵工况智能监测方法。
背景技术
目前，示功图分析法是抽油系统进行故障诊断的常用方法，通过示功图可以分析油井井下的工况，分析出故障的种类。传统光杆(地面)示功图是由载荷随位移的变化关系曲线所构成的封闭曲线图。不过传统光杆(地面)示功图只记载了载荷和位移的信息参数，虽然示功图诊断方法简洁，可靠，直观，迅速但仍有一定的局限性：(1)根据示功图只能分析出井下工况，无法判别地面抽油机设备的工况，如：抽油机的平衡，减速箱故障等问题；(2)示功图诊断只限于图形特征十分明显的工况中，对于功图特征相近的工况诊断准确率较低，例如：抽油杆断脱、油井连抽带喷、阀尔常开，其功图形状都为一窄条，图形特征十分相近，其诊断结果就会混乱；(3)对少数特殊油井，无法进行示功图测取，需要其他更便捷的工况诊断手段。
在这样的技术环境下，各类可以再次诊断工况的参数成为重要的诊断辅助手段。不过借助这些参数对油井工况进行综合诊断，除了要对传统的光杆(地面)示功图处理分析，还要对获取的参数处理分析，工作量大，占据时间。而且处理分析之后，不同数据组之间的相互补充可能存在一些误差，导致结果不精确。而基于示功图分析诊断有杆泵工况是一个很重要的部分，因为抽油机示功图集中反映了油系统工作状态，包含了抽油机、泵、杆的丰富信息，目前有许多基于示功图的诊断方法，如：专家系统，模糊数学，灰色理论和神经网络，从本质上讲这些方法都是一个模式识别与分类的问题，存在几个共通的缺陷：对于示功图特征相近的工况仅靠示功图难以准确诊断出具体的故障类型；都需要进行特征提取，示功图数值化的过程损失了大量的有效信息；都需要将提取的特征值与特征知识工况库对比，得出诊断结果，该过程由于技术缺乏成长性，存在误差，正确率难以提高。
现有的特征提取方法都是一种人为设定的思路，浅层特征只是固定反映图形的某一种或几种性质而不能反映图像的本质，实际应用中需要手动调整算法中的参数和结构，导致为了使得特征满足任务需求而花费大量调试时间，同时还无可避免的丢失了图像的部分性质。与传统特征提取算法相反，深度学习模型通过层层传递，能够自动、系统地学习输入数据与输出之间的复杂映射关系，通过对函数的建模与优化来自动学习不同层次的特征表达。
发明内容
本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于富信息示功图和DBN的有杆泵工况监测方法，以解决如下问题：1、对抽油井进行综合诊断时，需要分别传统示功图和图处理分析，工作量大，耗费时间的问题，解放生产力；2、对示功图和图分别处理，不同数据之间的相互补充可能会存在一些误差的问题；3、以往示功图分析法只是固定反映图形的某一种或几种性质而不能反映图像的本质的问题；4、以往示功图故障分析法建立后正确率就会基本保持不变，因为技术缺乏成长性，少量样本数据和大量实际生产数据对比可能存在的误差，正确率提升空间不大的问题。
本发明解决其技术问题所采用的技术方案是：一种基于富信息示功图和DBN的有杆泵工况监测方法，所述的监测方法由以下四部分构成：有杆泵工况富信息示功图样本集合的构建；有杆泵工况监测DBN的构建；有杆泵工况监测DBN的实际应用；有杆泵工况监测DBN的强化学习与更新。
具体说，所述的有杆泵富信息示功图的构建，是在传统地面光杆示功图的基础上，融合辅助信息，构建富信息示功图，构建富信息示功图样本集合。
进一步地，所述的融合辅助信息，为选定有别于示功图悬点载荷和位移的、可以对油井工况进行再判断的独立信息参数，所述的独立信息参数包括压力、温度、流量及电动机输入功率。
所述的构建富信息示功图，包括以下构建形式：
形式一：对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同的颜色为表达形式，填充与载荷，位移同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
形式二：对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中外边框曲线为载体，以不同的颜色为表达形式，填充与载荷，位移信息同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
形式三：以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式四：以传统地面光杆示功图中外边框曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式五：以传统地面光杆示功图中载荷随位移变化曲线内的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式六：以传统地面光杆示功图中载荷随位移变化曲线和外边框之间的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
上述构建形式中，不局限以传统示功图外边框、曲线和空白区域为载体；不局限以不同颜色、不同线段和不同符号为表现形式，其旨在传统示功图的基础上融合载荷和位移以外的第三种，第四种乃至第五种可以表达工况的信息，构建富信息示功图。
所述的有杆泵工况监测DBN的构建，是利用构建的富信息示功图训练构建的DBN得到工况智能监测系统，其建立过程包括：a、对构建的富信息示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；b、基于深度置信网络，搭建神经网络构架；c、利用富信息示功图样本集训练DBN；d、得到基于DBN的有杆泵工况智能监测系统。
所述的有杆泵工况监测DBN的实际应用，将基于DBN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井；
所述的有杆泵工况监测DBN的强化学习与更新，其过程包括：a、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；b、修正错误的诊断结果；c、将正确和进过修正的诊断结果构建成新的示功图样本集合；d、用新的示功图样本集合再次训练DBN智能监测系统；e、DBN监测系统强化学习，更新DBN智能监测系统。
本发明的有益效果是：本发明与传统的示功图分析法相比，具有如下突出的有益效果：
1.因为富信息示功图融合了除载荷和位移以外的可以对工况进行诊断的信息，在此基础上比较单一的示功图提高工况诊断的准确性。
2.对于综合诊断，将信息参数融合处理，构建富信息示功图，对富信息示功图就可同时处理分析载荷，位移和其他的信息参数，不需要对传统示功图和其他综合参数分别处理，以减少工作量，节约时间，进一步解放生产力。
3.使用深度置信网络，避免特征提取示功图数值化过程中丢失的大量有用信息，DBN可以直接识别输入的示功图图片，减少了误差。
4.基于强化学习的过程，可以有效提高DBN智能监测系统耳朵成长性，在反复的工况诊断和不断的强化学习中，提高工况的真确性，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的原理框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种基于富信息示功图和DBN的有杆泵工况监测方法，所述的监测方法由以下四部分构成：
1、有杆泵工况富信息示功图样本集合的构建；该构建是在传统地面光杆示功图的基础上，融合辅助信息，构建富信息示功图，构建富信息示功图样本集合。
其中，所述的融合辅助信息，为选定有别于示功图悬点载荷和位移的、可以对油井工况进行再判断的独立信息参数，所述的独立信息参数包括压力、温度、流量及电动机输入功率；
所述的构建富信息示功图，包括以下六种构建形式：
形式一：对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同的颜色为表达形式，填充与载荷，位移同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
形式二：对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中外边框曲线为载体，以不同的颜色为表达形式，填充与载荷，位移信息同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
形式三：以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式四：以传统地面光杆示功图中外边框曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式五：以传统地面光杆示功图中载荷随位移变化曲线内的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
形式六：以传统地面光杆示功图中载荷随位移变化曲线和外边框之间的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
上述构建形式中，不局限以传统示功图外边框、曲线和空白区域为载体；不局限以不同颜色、不同线段和不同符号为表现形式，其旨在传统示功图的基础上融合载荷和位移以外的第三种，第四种乃至第五种可以表达工况的信息，构建富信息示功图。
2、有杆泵工况监测DBN的构建；是利用构建的富信息示功图训练构建的DBN得到工况智能监测系统，其建立过程包括：a、对构建的富信息示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；b、基于深度置信网络，搭建神经网络构架；c、利用富信息示功图样本集训练DBN；d、得到基于DBN的有杆泵工况智能监测系统。
3、有杆泵工况监测DBN的实际应用；将基于DBN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井；
4、有杆泵工况监测DBN的强化学习与更新：其过程包括：a、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；b、修正错误的诊断结果；c、将正确和进过修正的诊断结果构建成新的示功图样本集合；d、用新的示功图样本集合再次训练DBN智能监测系统；e、DBN监测系统强化学习，更新DBN智能监测系统。
本发明与传统的示功图分析法相比，其优点体现在：1.因为富信息示功图融合了除载荷和位移以外的可以对工况进行诊断的信息，在此基础上比较单一的示功图提高工况诊断的准确性；2.对于综合诊断，将信息参数融合处理，构建富信息示功图，对富信息示功图就可同时处理分析载荷，位移和其他的信息参数，不需要对传统示功图和其他综合参数分别处理，以减少工作量，节约时间，进一步解放生产力；3.使用深度置信网络，避免特征提取示功图数值化过程中丢失的大量有用信息，DBN可以直接识别输入的示功图图片，减少了误差；4.基于强化学习的过程，可以有效提高DBN智能监测系统耳朵成长性，在反复的工况诊断和不断的强化学习中，提高工况的真确性，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (12)
1.一种基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的监测方法由以下四部分构成：有杆泵工况富信息示功图样本集合的构建；有杆泵工况监测DBN的构建；有杆泵工况监测DBN的实际应用；有杆泵工况监测DBN的强化学习与更新。
2.根据权利要求1所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的有杆泵富信息示功图的构建，是在传统地面光杆示功图的基础上，融合辅助信息，构建富信息示功图，构建富信息示功图样本集合。
3.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的融合辅助信息，为选定有别于示功图悬点载荷和位移的、可以对油井工况进行再判断的独立信息参数，所述的独立信息参数包括压力、温度、流量及电动机输入功率。
4.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式一为对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同的颜色为表达形式，填充与载荷，位移同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
5.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式二为对和传统示功图同步采集的参数数值进行无因次化处理，得到其在0～1之间的变化参数，对无因次化的数据进行排序，与颜色表中的颜色等量对应，形成一一映射的关系，并以传统地面光杆示功图中外边框曲线为载体，以不同的颜色为表达形式，填充与载荷，位移信息同步采集的信息形成映射关系的颜色，表现出需要融合的信息，构建富信息示功图。
6.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式三为以传统地面光杆示功图中载荷随位移的变化曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
7.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式四为以传统地面光杆示功图中外边框曲线为载体，以不同粗细的曲线为表达形式，表达与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
8.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式五为以传统地面光杆示功图中载荷随位移变化曲线内的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
9.根据权利要求2所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的构建富信息示功图，形式六为以传统地面光杆示功图中载荷随位移变化曲线和外边框之间的空白区域为载体，以符号叉叉或圆圈或点为表达形式，沿曲线填充与载荷，位移信息同步采集的信息，表现出需要融合的信息，构建富信息示功图。
10.如权利要求1所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的有杆泵工况监测DBN的构建，是利用构建的富信息示功图训练构建的DBN得到工况智能监测系统，其建立过程包括：a、对构建的富信息示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；b、基于深度置信网络，搭建神经网络构架；c、利用富信息示功图样本集训练DBN；d、得到基于DBN的有杆泵工况智能监测系统。
11.根据权利要求1所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的有杆泵工况监测DBN的实际应用，将基于DBN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井。
12.根据权利要求1所述的基于富信息示功图和DBN的有杆泵工况监测方法，其特征在于：所述的有杆泵工况监测DBN的强化学习与更新，其过程包括：a、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；b、修正错误的诊断结果；c、将正确和进过修正的诊断结果构建成新的示功图样本集合；d、用新的示功图样本集合再次训练DBN智能监测系统；e、DBN监测系统强化学习，更新DBN智能监测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810032987.3A CN108266178A (zh) | 2018-01-14 | 2018-01-14 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810032987.3A CN108266178A (zh) | 2018-01-14 | 2018-01-14 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108266178A true CN108266178A (zh) | 2018-07-10 |
Family
ID=62775568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810032987.3A Withdrawn CN108266178A (zh) | 2018-01-14 | 2018-01-14 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108266178A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984905A (zh) * | 2018-07-17 | 2018-12-11 | 常州大学 | 一种基于最优解的螺杆泵生产系统设计方法 |
| CN109185145A (zh) * | 2018-07-17 | 2019-01-11 | 常州大学 | 一种基于有效功率的螺杆泵生产系统设计方法 |
| CN109184669A (zh) * | 2018-08-03 | 2019-01-11 | 常州大学 | 一种油井生产动态监测数据的集中可视化展示方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
| CN114352265A (zh) * | 2020-10-13 | 2022-04-15 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
| CN114718861A (zh) * | 2021-01-04 | 2022-07-08 | 中国石油化工股份有限公司 | 基于深度学习的螺杆泵井工况智能诊断方法 |
-
2018
- 2018-01-14 CN CN201810032987.3A patent/CN108266178A/zh not_active Withdrawn
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984905A (zh) * | 2018-07-17 | 2018-12-11 | 常州大学 | 一种基于最优解的螺杆泵生产系统设计方法 |
| CN109185145A (zh) * | 2018-07-17 | 2019-01-11 | 常州大学 | 一种基于有效功率的螺杆泵生产系统设计方法 |
| CN109184669A (zh) * | 2018-08-03 | 2019-01-11 | 常州大学 | 一种油井生产动态监测数据的集中可视化展示方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN109272123B (zh) * | 2018-08-03 | 2021-06-22 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
| CN109389170B (zh) * | 2018-10-10 | 2021-11-02 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
| CN114352265A (zh) * | 2020-10-13 | 2022-04-15 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
| CN114352265B (zh) * | 2020-10-13 | 2024-05-31 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
| CN114718861A (zh) * | 2021-01-04 | 2022-07-08 | 中国石油化工股份有限公司 | 基于深度学习的螺杆泵井工况智能诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108266178A (zh) | 一种基于富信息示功图和dbn的有杆泵工况监测方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN108122075A (zh) | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 | |
| CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
| CN101937207B (zh) | 机械设备状态的智能可视化监测与诊断方法 | |
| CN108756854A (zh) | 一种基于示功体的有杆泵工况智能监测方法 | |
| CN106761668A (zh) | 油井故障智能化分析决策系统及方法 | |
| CN108569607A (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
| CN109946080B (zh) | 一种基于嵌入式循环网络的机械设备健康状态识别方法 | |
| CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN108614944A (zh) | 一种盾构轨迹轴线纠偏参数预测方法 | |
| CN106125612B (zh) | 一种装载机铲装过程的作业斗数识别方法与识别装置 | |
| CN106526112A (zh) | 一种基于鱼类活性分析的水质毒性检测方法 | |
| CN109919135A (zh) | 基于深度学习的行为检测方法、装置 | |
| CN111144433B (zh) | 基于svm模型油井工况智能诊断分析方法及装置 | |
| CN109993281A (zh) | 一种基于深度学习的因果关系挖掘方法 | |
| CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
| CN114879628B (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
| CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
| CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN110243589B (zh) | 刮板减速机模糊故障诊断方法及系统 | |
| CN110348532A (zh) | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 | |
| CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
| CN115630571A (zh) | 一种基于集成学习的油井示功图自动诊断方法 | |
| CN114943728A (zh) | 铸坯等轴晶智能识别及性能判定方法、系统及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180710 |
|
| WW01 | Invention patent application withdrawn after publication |